13-垃圾邮件分类2

Posted yuyuyuyuyuyuyuyuuyuyuyuyuyuyuy

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了13-垃圾邮件分类2相关的知识,希望对你有一定的参考价值。

1.读取

 技术图片

2.数据预处理

 

 

 

 技术图片

 

 

 技术图片

 

 

 

3.数据划分—训练集和测试集数据划分

from sklearn.model_selection import train_test_split

x_train,x_test, y_train, y_test = train_test_split(data, target, test_size=0.2, random_state=0, stratify=y_train)

 

技术图片

 

 

 

4.文本特征提取

sklearn.feature_extraction.text.CountVectorizer

https://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.CountVectorizer.html?highlight=sklearn%20feature_extraction%20text%20tfidfvectorizer

sklearn.feature_extraction.text.TfidfVectorizer

https://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.TfidfVectorizer.html?highlight=sklearn%20feature_extraction%20text%20tfidfvectorizer#sklearn.feature_extraction.text.TfidfVectorizer

from sklearn.feature_extraction.text import TfidfVectorizer

tfidf2 = TfidfVectorizer()

观察邮件与向量的关系

向量还原为邮件

技术图片

 

 

 

 

 技术图片

 

 

4.模型选择

from sklearn.naive_bayes import GaussianNB

from sklearn.naive_bayes import MultinomialNB

说明为什么选择这个模型?

技术图片

 

 

5.模型评价:混淆矩阵,分类报告

from sklearn.metrics import confusion_matrix

confusion_matrix = confusion_matrix(y_test, y_predict)

说明混淆矩阵的含义

from sklearn.metrics import classification_report

说明准确率、精确率、召回率、F值分别代表的意义

 技术图片

 

 

6.比较与总结

如果用CountVectorizer进行文本特征生成,与TfidfVectorizer相比,效果如何?

CountVectorizer:特征数值计算类,文本特征提取方法。
对于每一个训练文本,CountVectorizer会将文本中的词语转换为词频矩阵,它通过fit_transform函数计算各个词语在该训练文本出现的次数。

TfidfVectorizer:可以把原始文本转化为tf-idf的特征矩阵,从而为后续的文本相似度计算,还关注其他包含这个词的文本,挖掘更有意义的特征。

后者比较灵活。

以上是关于13-垃圾邮件分类2的主要内容,如果未能解决你的问题,请参考以下文章

13-垃圾邮件分类2

13-垃圾邮件分类2

13.垃圾邮件分类2

13-垃圾邮件分类2

13-垃圾邮件分类2

13-垃圾邮件分类2